典型文献
基于迁移学习的铁路扣件缺陷形态检测算法研究
文献摘要：
铁路扣件对保障铁路运输安全尤为重要,为了实现对铁路扣件缺陷形态快速准确地检测,提出一种基于DenseNet201的深度迁移学习扣件检测方法.该方法通过研制设计的数据采集平台多手段获取WJ-8型扣件包含扣件正常、扣件弹条偏移、扣件弹条丢失、扣件丢失在内的4种不同缺陷形态数据图像,构建铁路扣件缺陷形态专有数据集.采用Retinex算法对获取到的数据图片进行去雾降噪处理以提高其质量.结合迁移学习的思想,引入原网络在ImageNet公共数据集上习得的权重,并对其卷积神经网络结构进行重组改进.此外,嵌入Grad-CAM技术对模型最后一层卷积输出的特征作映射处理,以探寻模型特征提取注意力分布.最后基于pytorch深度学习框架开展实验,在相同条件下与5种经典的深度学习网络模型VGG16,VGG19,ResNet50,AlexNet和GoogLeNet进行对比实验验证.研究结果表明:在真实铁路环境工况下,改进的DenseNet201深度迁移学习模型感受野主要集中在扣件区间内,有效检出率达98.1％,且对于不同工况下的各类型扣件,模型表现出较强的鲁棒性和泛化性能,相比于其他5种经典的深度学习网络模型检测精度和准确率更高.该方法能适用于实际铁路扣件不同缺陷形态的快速检测,具有一定的实用价值,可为后续相关研究提供技术参考和理论支撑.
文献关键词：
铁路扣件;深度学习;迁移学习;分类检测;DenseNet
中图分类号：
作者姓名：
吴送英;刘林芽;张洪;左志远
作者机构：
华东交通大学 土木建筑学院,江西 南昌 330013
文献出处：
引用格式：
[1]吴送英;刘林芽;张洪;左志远-.基于迁移学习的铁路扣件缺陷形态检测算法研究)[J].铁道科学与工程学报,2022(12):3612-3624
A类：
B类：
铁路扣件,缺陷形态,形态检测,检测算法,算法研究,铁路运输,运输安全,快速准确,DenseNet201,深度迁移学习,扣件检测,数据采集平台,WJ,扣件弹条,专有,Retinex,取到,去雾,降噪处理,入原,ImageNet,公共数据,习得,神经网络结构,Grad,CAM,映射处理,模型特征,注意力分布,pytorch,深度学习框架,深度学习网络,VGG16,VGG19,ResNet50,AlexNet,GoogLeNet,铁路环境,感受野,有效检出率,不同工况,泛化性能,模型检测,检测精度,快速检测,分类检测
AB值：
0.372631
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
